双型智能体架构对照：Claude Code 与 Codex 运行机制与核心设计对比¶

在当前的 AI Agent 工程实践中，Claude Code（代表高度交互式、极致本地体验的开发助手）与 Codex Agent（代表企业级、面向长期复杂任务的异步服务端智能体）分别代表了两种截然不同的运行时设计哲学。本文将从系统架构设计、会话状态机、内存压缩及安全屏障等多维度，对两者进行深度定量分析。

1. 系统架构与执行流向对比¶

两者的底层架构体现了交互侧（CLI/TUI）与服务侧（API/WebSocket）的不同设计约束：

========================================================================================
【Claude Code: 交互型 CLI 驱动管道】
 用户输入 (CLI) ──> QueryEngine (同步组装上下文) ──> Transcript Loop (采样-执行-回填闭环)
                                                        │
                                                        └──> 本地 Tool (直接 exec / stdio)
========================================================================================
【Codex Agent: 企业级服务端异步会话引擎】
 外部请求 ──> app-server ──> Session (异步原子操作队列) ──> Thread / Turn / Item 结构体
                                 │
                                 └──> Sandboxed Runner (Docker / gVisor 进程物理隔离)
========================================================================================

Claude Code：围绕一个轻量级的 QueryEngine 与 Transcript（转录记录） 循环展开。它的状态是高度线性的，模型输出的工具意图直接在本地执行并通过 async/await 进行同步等待回填，极度追求低延迟和瞬态交互的完整性。
Codex Agent：采用典型的生产级服务端运行时架构。引入了 Thread -> Turn -> Item 三层状态模型。所有的用户任务被归入独立队列进行无冲突调度，外部接口通过 WebSocket 或 EventSource 流式推送事件，工具执行跑在独立的物理隔离沙箱内，高度追求长期运行的鲁棒性与分布式对齐。

2. 核心技术规格对比矩阵¶

技术规格维度	Claude Code (高度本地交互型)	Codex Agent (企业级异步服务型)
会话模型定义 (Session Modeling)	Transcript-centric：会话即为一份持续追加、可恢复的转录历史记录。	Thread-Turn-Item：三层强类型定义。Thread 承载长期会话；Turn 承载单次用户任务；Item 承载原子结构化事件（消息、命令、补丁、审批）。
执行引擎模型 (Event Loop)	Transcript Loop：基于本地 async/await 循环，流式拦截并分发事件。	Operation Queue Session Loop：所有读写操作必须排队（Mutex / Channel）进入 Session 队列，防止并发脑裂。
上下文压缩策略 (Compaction)	Heuristic Truncation / Summary：基于阈值对旧 Transcript 执行启发式剪枝与文本摘要。	Reactive Compaction (反应式压缩)：计算历史 Item 的信息熵，由后台任务提取事实形成结构化长期记忆（Long-term Memory），保留因果证据链。
安全沙箱隔离 (Sandboxing)	Bare-metal Local Execution：工具处理器默认跑在宿主机物理环境，通过白名单与提示词做防御。	Isolated Sandboxed Container：通过容器（Docker/Containerd）或轻量虚拟化（gVisor/Firecracker）进行物理隔离，拦截一切越权 I/O。
权限阻断逻辑 (ACL / Human-in-the-Loop)	Explicit CLI CLI-Ask Prompt：终端挂起直接通过 stdin/stdout 进行同步阻断问询。	Asynchronous Approval Item：将审批抽象为标准 Item 写入队列，客户端可异步通过 UI 做出审批确认。
持久化与分叉 (Restore & Fork)	Transcript Serialization：序列化为本地 JSON 文件，支持 resume 读取。	State Rollout & DB Snapshot：保存完整系统快照，支持从任意 Turn 节点进行分叉（Fork）与回滚（Rollback）。

3. 核心机制深度对比剖析¶

3.1 内存与上下文压缩机制 (Compaction Algorithm)¶

大模型的上下文窗口是有限的，智能体运行越久，历史 Token 堆积越严重。两者的压缩机制体现了不同的工程解法：

Claude Code 的剪枝方案：每次向 Claude API 发送请求前，运行时会计算当前转录历史的 Token 总数。若超出设定水位（如 \(120\text{K}\) Tokens），则自动触发剪枝钩子（Pruning Hook）。它将旧消息进行总结（Summary Attachment），并物理截断（Truncate）前部最老的工具执行细节，只保留大纲，释放注意力空间。
Codex 的反应式压缩机制（Reactive Compaction）： Codex 在后台运行一个并行的压缩进程。它不会粗暴地物理删除 Item，而是根据时间局部性（Temporal Locality）和主题相关性对历史 Item 进行“语义浓缩”：
1. 抽取核心事实：将无用命令的 stdout 噪声过滤掉，提取因果结论。
2. 构造知识节点（Fact Nodes）：将事实归档至 Thread 的长期记忆网络中。
3. 仅保留基础基线（Baseline Context），后续 Turn 采用动态检索（Vector Search over past turns）局部注入，极大节省了 Context 成本，保障了极长周期任务的连续性。

3.2 权限控制与风控屏障（Human-in-the-Loop）¶

智能体自动修改本地代码或执行 Shell 命令时，安全是决定能否上线的生命线：

Claude Code 的本地交互屏障：由于 Claude Code 独占当前终端，它的安全屏障是“终端阻断问询”。当模型想要执行不符合只读策略（ReadOnly）的 Shell 命令时，运行时直接劫持标准输入，输出： ? Approve bash command "rm -rf build"? (y/N)。这是一种强交互、单线程阻塞的安全策略。
Codex 的异步队列屏障：在分布式或多用户环境下，不能直接阻塞进程输入。Codex 引入了 “审批通道（Approval Channel）与审批条目（Approval Item）” 机制：
1. 当高危工具触发时，运行时产生一个 ApprovalRequiredItem 插入 Thread 中，并将当前 Turn 的状态转换为 SUSPENDED（挂起）。
2. 客户端（如 Web UI）监听到该事件后，展示确认按钮。
3. 用户确认后，产生一个 ApproveAction 写入 Session 操作队列。
4. Session 收到审批操作后激活 Turn，把审批结果包装为用户回复，回填给模型继续生成。这种模型将安全隔离与异步执行做到了完美统一。

4. 资深系统架构师面试表达方案¶

面试提问：你如何看待像 Claude Code 这样的终端交互式 Agent 和部署在服务端的复杂 Agent 运行时（如 Codex Pattern）在架构设计上的核心差异？

回答模版： 这两种智能体运行时代表了“极致瞬时响应”与“长期鲁棒运行”两种截然不同的架构约束。

Claude Code 代表的是极致的“交互型流水线”。它的核心设计围绕 Transcript 展开，将本地终端视为单一注意力边界。它的状态机是线性的，工具执行直接在 Bare-metal 本地跑，安全校验完全依赖本地 TUI 同步阻断。这种架构换来了开发场景下的极高效率和毫秒级流畅响应，但不适合多租户、异步大吞吐的业务场景。

而 Codex 代表的是经典的“服务端运行时引擎”。它必须解决网络不稳定、多任务并发脑裂及高危代码越权的本质痛点。因此，我们采用 Thread-Turn-Item 的高内聚状态机，所有的写操作和模型采样任务必须序列化进入 Operation Queue。最核心的系统边界在于，我们必须对工具处理器引入 物理级沙箱物理隔离（如 gVisor 沙箱或独立 Docker 运行），所有的权限审批不再是简单的 TUI 阻断，而是作为异步的 Approval Item 插入状态机，实现了命令挂起、异步回调与系统快照分叉。

在企业级 AI 系统的建设中，我倾向于引入 Codex 的服务端设计哲学，将安全边界、持久化追踪和队列化调度下沉为基础设施层，从而保障智能体在离线、复杂多步骤任务中具备确定性的安全与容灾边界。